在大模型应用开发中，开发者常常面临两大核心挑战：一是模型输出的 "幻觉" 问题（生成与事实不符的内容），二是输出质量不稳定（如答非所问、格式混乱）。这些问题直接影响用户体验，甚至可能导致业务风险。而提示词工程（Prompt Engineering）正是解决这些问题的关键技术，其中 LongChain 框架凭借其强大的提示词管理能力，成为开发者的首选工具。

本文将系统讲解 LongChain 在提示词工程中的实践技巧，从基础概念到进阶优化，结合代码示例和场景分析，帮助初学者快速掌握提升大模型输出质量的核心方法。全文约 5000 字，涵盖提示词模板设计、示例工程化、向量相似度匹配等关键技术，适合大模型应用开发入门者系统学习。

一、提示词工程为什么需要 "模板化" 思维？

在与大模型交互时，很多开发者会直接将用户输入 "硬编码" 传递给模型，这种方式看似简单，却隐藏着严重的隐患。例如，当用户询问 "如何退款" 时，直接传递该问题可能导致模型生成模糊的回答（如 "请联系客服"），甚至出现幻觉（如虚构退款流程）。而提示词工程的核心目标，就是通过结构化设计，让模型的输出更精准、更可控。

1.1 从 "硬编码" 到 "模板化" 的必然性

与大模型的交互本质是 "文本输入 - 文本输出" 的过程，其中输入部分即提示词（Prompt）。直接使用用户输入作为提示词的弊端主要有三点：

• 质量不可控：用户输入往往简洁、模糊（如 "查订单"），模型难以理解具体需求；
• 幻觉频发：缺乏约束的提示词会让模型过度联想，生成与事实不符的内容；
• 安全性风险：恶意用户可能通过特殊输入诱导模型生成违规内容。

解决方案是采用提示词模板（Prompt Template） 管理方式，这与我们日常使用的短信模板、邮件模板逻辑一致。例如，短信平台会通过模板规范 "验证码短信" 的格式（如 "【XX 平台】您的验证码是 {code}，5 分钟内有效"），既保证信息准确，又避免安全风险。提示词模板也同理，通过预定义结构约束模型的输入，从源头提升输出质量。

1.2 LongChain 框架的核心价值

LongChain 是一个专注于大模型应用开发的 Python 框架，其在提示词工程中的核心作用是：将用户输入转化为 "模型可理解的结构化提示词"。具体来说，它能实现三大功能：

• 参数化整合：将用户输入作为参数，与预定义的模板内容（如角色定义、上下文信息）拼接成完整提示词；
• 格式标准化：确保提示词符合模型接口要求（如 OpenAI 的 Message 格式）；
• 流程自动化：支持提示词的动态生成、示例注入、结果解析等全流程管理。

举个简单例子：当用户输入 "你好" 时，LongChain 会基于模板自动生成如下提示词：

plaintext

系统角色：你是电商平台的智能客服，需使用礼貌用语，优先解决用户的订单问题。
用户输入：你好
上下文记录：无
请根据以上信息，以客服身份回复用户。

可以看到，经过模板处理的提示词包含了模型所需的全部信息，输出质量自然远高于直接输入 "你好"。

二、提示词模板：LongChain 的核心工具详解

提示词模板是 LongChain 的基础组件，掌握其类型、创建方法和应用场景，是入门提示词工程的第一步。

2.1 模板的两种核心类型及适用场景

LongChain 提供了多种提示词模板，其中最常用的是聊天模板（Chat Template） 和字符串模板（String Template），两者的区别如下：

模板类型	适用场景	核心特点	示例
聊天模板	多轮对话（如客服机器人、聊天助手）	包含多轮消息记录，支持角色定义，保留上下文	系统消息 + 用户历史提问 + AI 历史回复 + 当前提问
字符串模板	单轮指令（如生成文案、翻译文本）	单句结构，通过参数替换生成提示词，无上下文	"请将以下文本翻译成英文：{text}"

聊天模板的核心优势在于支持角色定义。在多轮对话中，我们需要明确三类角色的消息：

• 系统消息（System Message）：定义 AI 的身份和行为准则（如 "你是专业的 Python 技术顾问，只回答编程相关问题"）；
• 人类消息（Human Message）：用户输入的提示词（如 "如何用 Python 读取 CSV 文件？"）；
• AI 消息（Assistant Message）：模型的历史回复（用于上下文衔接，如 "可以使用 pandas 库的 read_csv 方法"）。

这些角色消息会被 LongChain 封装成模型可识别的格式（如 OpenAI 的messages参数），确保对话的连贯性和准确性。

2.2 从零开始创建提示词模板

下面通过代码示例，详细讲解两种模板的创建步骤。

2.2.1 字符串模板（String Template）的创建与使用

字符串模板适用于简单的单轮指令场景，创建步骤如下：

1. 安装 LongChain 库
   首先确保安装了必要的依赖：

   bash

   pip install langchain openai  # langchain是核心框架，openai用于调用模型
   

2. 导入模板类并定义模板
   使用PromptTemplate类创建字符串模板，通过{变量名}定义参数：

   python

   from langchain.prompts import PromptTemplate
   
   # 定义模板内容，包含两个参数：topic（主题）和style（风格）
   template = "请讲一个关于{topic}的笑话，风格要{style}。"
   
   # 创建模板实例，指定参数列表
   prompt = PromptTemplate(
       input_variables=["topic", "style"],
       template=template
   )
   

3. 传入参数生成提示词
   通过format方法传入参数，生成最终提示词：

   python

   # 传入参数：主题为"程序员"，风格为"幽默夸张"
   final_prompt = prompt.format(topic="程序员", style="幽默夸张")
   print(final_prompt)
   # 输出结果：请讲一个关于程序员的笑话，风格要幽默夸张。
   

4. 调用大模型获取结果
   将生成的提示词传递给大模型（以 OpenAI 为例）：

   python

   from langchain.llms import OpenAI
   
   # 初始化模型（需配置OPENAI_API_KEY环境变量）
   llm = OpenAI(model_name="gpt-3.5-turbo-instruct")
   
   # 调用模型
   result = llm(final_prompt)
   print(result)
   # 输出示例：为什么程序员总是混淆万圣节和圣诞节？因为Oct 31（八进制31）等于Dec 25（十进制25）啊！
   

字符串模板的优点是简单直观，适合不需要上下文的场景。但对于需要多轮对话的场景（如客服机器人），则需要使用聊天模板。

2.2.2 聊天模板（Chat Template）的创建与使用

聊天模板通过ChatPromptTemplate类实现，支持多角色消息和上下文管理，创建步骤如下：

1. 定义角色消息
   分别定义系统消息、人类消息和 AI 消息（可选）：

   python

   from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate
   
   # 系统消息模板：定义AI身份
   system_template = "你是电商平台的客服机器人，职责是协助用户查询订单状态。请使用礼貌用语，回答简洁明了。"
   system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
   
   # 人类消息模板：接收用户输入
   human_template = "我的订单号是{order_id}，请帮我查询状态。"
   human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
   

2. 整合为聊天模板
   将角色消息组合成聊天模板：

   python

   # 组合系统消息和人类消息
   chat_prompt = ChatPromptTemplate.from_messages([
       system_message_prompt,
       human_message_prompt
   ])
   

3. 生成提示词并调用模型
   传入参数生成完整提示词，再调用大模型：

   python

   from langchain.chat_models import ChatOpenAI
   
   # 生成提示词（包含角色信息）
   final_prompt = chat_prompt.format_prompt(order_id="OD123456").to_messages()
   
   # 调用聊天模型
   chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")
   result = chat_model(final_prompt)
   
   print(result.content)
   # 输出示例：您好！您的订单OD123456当前状态为"已发货"，预计明天送达。如有疑问，请随时告知~
   

可以看到，聊天模板通过系统消息明确了 AI 的身份和行为准则，让输出更符合业务需求。如果需要支持多轮对话，只需在模板中加入 AI 的历史回复即可：

python

from langchain.schema import AIMessage

# 加入AI的历史回复（上下文）
chat_prompt = ChatPromptTemplate.from_messages([
    system_message_prompt,
    human_message_prompt,
    AIMessage(content="您好！您的订单OD123456当前状态为'已发货'..."),  # 历史回复
    HumanMessagePromptTemplate.from_template("那可以修改收货地址吗？")  # 新的用户输入
])

2.3 模板的动态管理：消息占位符的妙用

在复杂场景中，提示词模板需要动态插入上下文消息（如多轮对话历史），此时可使用MessagePlaceholder实现灵活的消息管理。

例如，在客服系统中，我们需要将用户的历史对话作为上下文传入模板：

python

from langchain.prompts import MessagePlaceholder

# 定义包含占位符的模板
chat_prompt = ChatPromptTemplate.from_messages([
    system_message_prompt,
    MessagePlaceholder(variable_name="history"),  # 上下文占位符
    human_message_prompt
])

# 历史对话记录（列表形式，包含人类消息和AI消息）
history = [
    HumanMessage(content="我的订单OD123456什么时候发货？"),
    AIMessage(content="您好！该订单已于今天上午发出，预计2天送达。")
]

# 传入历史对话和新参数
final_prompt = chat_prompt.format_prompt(
    history=history,
    order_id="OD123456"
).to_messages()

# 调用模型
result = chat_model(final_prompt)
print(result.content)
# 输出示例：您好！您的订单OD123456当前状态为"运输中"，物流信息可在APP内查看~

通过MessagePlaceholder，我们无需修改模板结构，即可动态插入任意数量的上下文消息，极大提升了模板的复用性和灵活性。

三、示例工程化：用 Few-Shot 提示词解决 "幻觉" 问题

即使使用了提示词模板，模型仍可能因对任务理解不清晰而产生幻觉。例如，当用户询问 "什么是大语言模型" 时，模型可能会混淆 "大语言模型" 和 "编程语言" 的概念。解决这一问题的有效方法是Few-Shot 提示词—— 通过在提示词中插入少量示例，指导模型输出符合预期的结果。

3.1 Few-Shot 示例的核心价值

Few-Shot（小样本）示例是指在提示词中加入 1-5 个任务相关的问答样例，其作用类似于 "给模型举例子"，主要价值体现在三点：

• 约束输出范围：通过示例明确任务边界，避免模型生成无关内容；
• 统一输出格式：示例可规定输出的结构（如 JSON、列表），方便后续解析；
• 强化事实准确性：示例中包含的事实信息可作为模型参考，减少幻觉。

例如，在开发 "编程语言识别" 功能时，若直接提问 "Python 是什么类型的语言？"，模型可能回答模糊；而加入示例后：

plaintext

示例1：
问：Java是什么类型的语言？
答：Java是一种面向对象的编程语言。

示例2：
问：C语言是什么类型的语言？
答：C语言是一种面向过程的编程语言。

问：Python是什么类型的语言？
答：

模型会更准确地回答："Python 是一种面向对象的编程语言。"

3.2 LongChain 中 Few-Shot 示例的实现

LongChain 通过FewShotPromptTemplate类实现示例的整合与管理，步骤如下：

3.2.1 定义示例集

首先创建一组问答样例，明确任务的输入输出格式：

python

# 定义示例集（问答对）
examples = [
    {
        "question": "什么是蝙蝠侠？",
        "answer": "蝙蝠侠是DC漫画中的超级英雄，真实身份是布鲁斯·韦恩，没有超能力，依靠科技和格斗技巧打击犯罪。"
    },
    {
        "question": "蜘蛛侠的超能力来自哪里？",
        "answer": "蜘蛛侠的超能力来自被放射性蜘蛛咬伤，获得了蜘蛛般的敏捷、力量和感知能力。"
    }
]

3.2.2 创建示例模板

定义示例在提示词中的展示格式：

python

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 示例模板：规定单个示例的展示方式
example_template = """
问：{question}
答：{answer}
"""
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template=example_template
)

3.2.3 整合示例与问题

将示例集、示例模板和用户问题整合为最终提示词：

python

# 创建Few-Shot提示词模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,  # 示例集
    example_prompt=example_prompt,  # 示例模板
    suffix="问：{input_question}\n答：",  # 用户问题的展示格式
    input_variables=["input_question"]  # 用户问题的参数名
)

# 生成提示词
final_prompt = few_shot_prompt.format(input_question="钢铁侠的真实身份是谁？")
print(final_prompt)

生成的提示词如下：

plaintext

问：什么是蝙蝠侠？
答：蝙蝠侠是DC漫画中的超级英雄，真实身份是布鲁斯·韦恩，没有超能力，依靠科技和格斗技巧打击犯罪。

问：蜘蛛侠的超能力来自哪里？
答：蜘蛛侠的超能力来自被放射性蜘蛛咬伤，获得了蜘蛛般的敏捷、力量和感知能力。

问：钢铁侠的真实身份是谁？
答：

调用模型后，输出会更准确：

python

# 调用模型
result = llm(final_prompt)
print(result)
# 输出：钢铁侠的真实身份是托尼·斯塔克，他是一位天才发明家和企业家，通过特制的装甲获得超能力。

3.3 示例格式化：让输出更易解析

在实际开发中，我们常需要模型输出结构化数据（如 JSON），以便后续处理。通过示例格式化，可强制模型遵循指定格式。

例如，要求模型以 JSON 格式输出 "电影信息"：

python

# 定义带格式的示例
examples = [
    {
        "question": "《泰坦尼克号》的导演是谁？",
        "answer": '{"电影名称": "泰坦尼克号", "导演": "詹姆斯·卡梅隆", "类型": "爱情片"}'
    }
]

# 示例模板
example_template = """
问：{question}
答：{answer}
"""
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template=example_template
)

# 创建Few-Shot模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="问：《大白鲨》的导演是谁？\n答：",
    input_variables=[]
)

# 生成提示词并调用模型
final_prompt = few_shot_prompt.format()
result = llm(final_prompt)
print(result)
# 输出：{"电影名称": "大白鲨", "导演": "史蒂文·斯皮尔伯格", "类型": "恐怖片"}

通过示例中的 JSON 格式，模型会自动遵循结构输出，避免了格式混乱的问题。

四、进阶优化：示例选择器与向量相似度匹配

当示例数量庞大（如成百上千条）时，将所有示例传入模型会导致两个问题：一是超出模型上下文长度限制（如 GPT-3.5-turbo 的 4096 tokens），二是无关示例会干扰模型判断。此时需要通过示例选择器（Example Selector） 筛选与当前问题最相关的示例。

4.1 示例选择器的核心原理

示例选择器的本质是 "从示例集中找到与当前问题最相似的 N 个示例"，其实现依赖向量相似度匹配技术，步骤如下：

1. 文本向量化：将示例和当前问题转换为高维向量（如 1536 维），向量的每个维度代表文本的一个语义特征；
2. 相似度计算：通过计算向量之间的余弦距离（或欧氏距离），衡量文本的语义相似度（距离越小，相似度越高）；
3. 动态筛选：保留相似度最高的 Top N 个示例，传入提示词模板。

例如，当用户询问 "《大白鲨》的导演是谁" 时，选择器会从示例集中找到与 "电影导演" 相关的示例（如《泰坦尼克号》的示例），而忽略无关示例（如关于超级英雄的示例）。

4.2 基于 Chroma 向量数据库的示例选择器实现

LongChain 结合 Chroma（开源向量数据库）和 OpenAI 的 Embedding 模型，可快速实现语义相似度匹配的示例选择器，步骤如下：

4.2.1 安装依赖

bash

pip install chromadb  # 向量数据库
pip install openai  # 用于文本向量化

4.2.2 创建向量数据库并初始化选择器

python

from langchain.prompts import SemanticSimilarityExampleSelector
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 1. 定义示例集
examples = [
    {
        "question": "《泰坦尼克号》的导演是谁？",
        "answer": '{"电影名称": "泰坦尼克号", "导演": "詹姆斯·卡梅隆"}'
    },
    {
        "question": "《大白鲨》的导演是谁？",
        "answer": '{"电影名称": "大白鲨", "导演": "史蒂文·斯皮尔伯格"}'
    },
    {
        "question": "蝙蝠侠的真实身份是什么？",
        "answer": '{"角色": "蝙蝠侠", "真实身份": "布鲁斯·韦恩"}'
    }
]

# 2. 初始化向量数据库（用于存储示例向量）
# 使用OpenAI的text-embedding-ada-002模型将文本转为向量
embeddings = OpenAIEmbeddings(model_name="text-embedding-ada-002")
vectorstore = Chroma.from_texts(
    [example["question"] for example in examples],  # 示例的问题文本
    embeddings,
    metadatas=examples  # 关联完整示例信息
)

# 3. 创建语义相似度示例选择器
example_selector = SemanticSimilarityExampleSelector(
    vectorstore=vectorstore,  # 向量数据库
    k=1  # 选择最相似的1个示例
)

4.2.3 关联提示词模板并使用

python

# 4. 定义示例模板
example_template = """
问：{question}
答：{answer}
"""
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template=example_template
)

# 5. 创建带选择器的Few-Shot模板
few_shot_prompt = FewShotPromptTemplate(
    example_selector=example_selector,  # 关联示例选择器
    example_prompt=example_prompt,
    suffix="问：《侏罗纪公园》的导演是谁？\n答：",
    input_variables=[]
)

# 6. 生成提示词（自动筛选最相似的示例）
final_prompt = few_shot_prompt.format()
print(final_prompt)

生成的提示词会自动包含与 "《侏罗纪公园》的导演" 最相似的示例（即《大白鲨》的示例）：

问：《大白鲨》的导演是谁？
答：{"电影名称": "大白鲨", "导演": "史蒂文·斯皮尔伯格"}

问：《侏罗纪公园》的导演是谁？
答：

调用模型后，输出会更准确：

python

result = llm(final_prompt)
print(result)
# 输出：{"电影名称": "侏罗纪公园", "导演": "史蒂文·斯皮尔伯格"}

4.3 示例选择器的进阶技巧

• 动态调整 k 值：根据问题复杂度调整选择的示例数量（简单问题 k=1，复杂问题 k=3）；
• 结合关键词过滤：在相似度匹配前，先用关键词筛选示例（如先过滤出 "电影" 相关示例，再计算相似度）；
• 定期更新示例集：通过用户反馈收集新示例，不断优化向量数据库的覆盖范围。

五、完整案例：构建一个高质量的客服问答系统

为帮助读者综合运用上述技术，下面以 "电商客服问答系统" 为例，展示 LongChain 提示词工程的完整落地流程。

5.1 需求分析

系统需实现以下功能：

1. 识别用户的订单相关问题（如查询状态、修改地址）；
2. 输出格式统一为 JSON（包含 "问题类型" 和 "回答内容"）；
3. 减少幻觉（如不虚构订单流程）。

5.2 技术方案

• 使用聊天模板定义客服机器人的身份和行为准则；
• 通过Few-Shot 示例规范输出格式和回答范围；
• 采用示例选择器动态筛选与用户问题相关的示例。

5.3 代码实现

python

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    FewShotPromptTemplate,
    PromptTemplate,
    SemanticSimilarityExampleSelector
)
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage, AIMessage

# 1. 定义系统消息（客服身份）
system_template = """
你是电商平台"优选商城"的客服机器人，仅回答与订单相关的问题（如查询状态、修改地址、退款政策等）。
若用户问题与订单无关，请回答："抱歉，我仅能协助处理订单相关问题，您可以尝试咨询其他客服~"
"""
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)

# 2. 定义Few-Shot示例集
examples = [
    {
        "question": "我的订单OD789012什么时候发货？",
        "answer": '{"问题类型": "查询发货时间", "回答内容": "订单OD789012已于2023-10-01发货，预计2天送达。"}'
    },
    {
        "question": "能帮我把订单OD789012的地址改成北京市朝阳区吗？",
        "answer": '{"问题类型": "修改收货地址", "回答内容": "已为您将订单OD789012的地址修改为北京市朝阳区，请注意查收~"}'
    },
    {
        "question": "这个商品怎么退货？",
        "answer": '{"问题类型": "退款政策", "回答内容": "请在收到商品后7天内，通过APP提交退货申请，我们将安排上门取件。"}'
    }
]

# 3. 创建示例选择器
embeddings = OpenAIEmbeddings(model_name="text-embedding-ada-002")
vectorstore = Chroma.from_texts(
    [example["question"] for example in examples],
    embeddings,
    metadatas=examples
)
example_selector = SemanticSimilarityExampleSelector(
    vectorstore=vectorstore,
    k=2
)

# 4. 定义示例模板
example_template = """
问：{question}
答：{answer}
"""
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template=example_template
)

# 5. 创建Few-Shot提示词
few_shot_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    suffix="问：{user_question}\n答：",
    input_variables=["user_question"]
)

# 6. 整合为聊天模板（包含上下文）
chat_prompt = ChatPromptTemplate.from_messages([
    system_message_prompt,
    HumanMessagePromptTemplate.from_template(few_shot_prompt.template),  # 嵌入Few-Shot提示词
    MessagePlaceholder(variable_name="history")  # 上下文占位符
])

# 7. 模拟用户交互
chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")

# 历史对话
history = [
    HumanMessage(content="我的订单OD789012还没收到"),
    AIMessage(content='{"问题类型": "查询物流", "回答内容": "订单OD789012当前处于派送中，快递员将在1小时内联系您。"}')
]

# 用户新问题
user_question = "能改一下这个订单的收货电话吗？"

# 生成提示词
final_prompt = chat_prompt.format_prompt(
    user_question=user_question,
    history=history
).to_messages()

# 调用模型
result = chat_model(final_prompt)
print(result.content)
# 输出示例：{"问题类型": "修改收货电话", "回答内容": "请提供新的收货电话，我们将为您更新订单OD789012的信息。"}

六、总结

LongChain 提示词工程通过模板化管理、示例工程化和相似度匹配三大技术，有效解决了大模型输出质量低、幻觉频发的问题。其核心价值在于：

1. 降低开发门槛：无需深入理解模型原理，通过提示词设计即可提升效果；
2. 提升系统可控性：模板和示例让模型输出更符合业务预期；
3. 适配复杂场景：从单轮指令到多轮对话，均可通过灵活配置满足需求。

未来，随着大模型技术的发展，提示词工程将与 RAG（检索增强生成）、微调等技术进一步融合。开发者可关注 LongChain 的工作流编排功能（如异步调用、分支逻辑），结合向量数据库和知识库，构建更智能、更可靠的大模型应用。